Empirische und theoretische Belege dafür, warum der Determine of Benefit (FOM) die beste Bewertungsmetrik für die Kantenerkennung ist
Bildsegmentierung und Kantenerkennung sind eng miteinander verbundene Aufgaben. Nehmen Sie zum Beispiel diese Ausgabe eines Küstensegmentierungsmodells:
Das Modell klassifiziert jedes Pixel entweder als Land oder als Ozean (Segmentierungsmaske). Dann ist die Küstenlinie der Pixel, an dem sich diese Klassifizierung ändert (Kantenkarte). Im Allgemeinen kann die Kantenerkennung mithilfe der Grenzen der Ausgabe eines Bildsegmentierungsmodells erfolgen.
Ich wollte diese Beziehung in meiner Forschung nutzen, um bei der Bewertung von Küstenbildsegmentierungsmodellen zu helfen. Ähnliche Untersuchungen verwenden alle auf einer Verwirrungsmatrix basierende Metriken wie Genauigkeit, Präzision und Erinnerung. Diese vergleichen alle Pixel in einer vorhergesagten Segmentierungsmaske mit einer Floor-Reality-Maske.
Das Downside besteht darin, dass diese möglicherweise die Leistung in der wichtigsten Area – der Küste – überschätzen.
Die meisten Pixel befinden sich mitten im Meer oder sind vollständig von Land umgeben. Dadurch sind sie leichter zu klassifizieren als solche in Küstennähe. Sie können dies in Abbildung 2 sehen. Leider können diese Fehler im Meer korrekt klassifizierter Pixel verborgen sein.